心脏病是威胁国民健康的主要疾病。将机器学习技术应用于心脏病诊断任务，是临床医疗诊断领域的重大突破。以UCI的心脏病数据集为实验数据，提出一种基于Stacking算法的集成学习模型，对不同的基分类器组合进行集成训练，寻找最优的组合策略。结果表明，基分类器差异性大的组合模型具有更好的分类性能，该方法对于提高分类器性能具有可行性和有效性，在心脏病数据集上的分类准确率达到89.78%，能够较好地解决心脏病的临床诊断问题。
科研之友
微信
新浪微博
Facebook
分享链接
